KI-Potenzialanalyse: Nachteile und Kritik

Eine KI-Potenzialanalyse ist die systematische Erhebung, wo der Einsatz von KI in einer Organisation konkreten Nutzen schafft, indem sie die Menschen befragt, die die Arbeit tun, und daraus einen priorisierten Fahrplan an Use-Cases ableitet. Als Einstieg ist sie ein starkes Instrument, aber sie hat reale Schwächen, und wer sie kennt, setzt sie besser ein. Die grössten Nachteile in Kürze: die überzogen präsentierten Muster-Summen, die Meinungsumfrage-Falle, die Verwechslung von Bereitschaft mit Einsatz, die Schlagseite der Selbstauskunft und die Abwehr, die schon das Wort KI auslösen kann.

Auf einen Blick

• Muster-Summen: eindrückliche Franken- oder Vollzeitäquivalent-Werte aus Beispielauswertungen sind Illustration, kein Kundenergebnis. Als Beweis präsentiert, kosten sie im ersten kritischen Gespräch Vertrauen.
• Meinungsumfrage-Falle: fragt die Analyse nach der Haltung zu KI statt nach der konkreten Aufgabe, produziert sie grüne Balken und keine Entscheidung.
• Bereitschaft ist nicht Einsatz: eine hohe gemessene Offenheit ist ein Versprechen, kein umgesetztes Potenzial. Sie zählt erst, wenn die blockierende Voraussetzung wegfällt.
• Selbstauskunft-Bias: Menschen über- oder unterschätzen ihre eigene Zeitersparnis und ihren KI-Einsatz. Für harte Zahlen braucht es objektive Daten daneben.
• Label-Aversion: in manchen Organisationen bremst schon der Begriff KI. Wer zu offensiv damit wirbt, senkt Beteiligung und Ehrlichkeit.

Inhaltsverzeichnis

1. Nachteil 1: Die Muster-Summen sind Illustration, kein Beweis
2. Nachteil 2: Die Meinungsumfrage-Falle
3. Nachteil 3: Bereitschaft ist nicht Einsatz
4. Nachteil 4: Der Selbstauskunft-Bias
5. Nachteil 5: Das Wort KI bremst
6. Vor- und Nachteile im Überblick
7. Wie sich die Nachteile entschärfen lassen
8. Häufig gestellte Fragen

Nachteil 1: Die Muster-Summen sind Illustration, kein Beweis

Beispielauswertungen einer KI-Potenzialanalyse zeigen manchmal eindrückliche Gesamtwerte: hohe Frankenbeträge pro Jahr, ganze Vollzeitäquivalente an gesparter Zeit. Genau diese Zahlen wandern gern in eine Präsentation, weil sie eine Geschäftsleitung sofort überzeugen. Und genau da liegt der erste, teuerste Fehler: Diese Summen sind Rechenbeispiele einer fiktiven Organisation, um die Methodik zu zeigen, keine belegten Resultate.

Wenn eine gesparte Stunde pro Woche in einen Frankenbetrag hochgerechnet wird, ist das eine Annahme, kein Messwert. Wer eine solche Muster-Summe als Kundenergebnis ausgibt, verliert das Vertrauen im ersten kritischen Nachhaken, weil sich die Zahl nicht halten lässt. Der Schaden ist dann grösser als der kurze Effekt der grossen Zahl.

Der Ausweg: jede Hochrechnung als Annahme mit genanntem Ausgangswert beschriften und mit den eigenen erhobenen Stunden rechnen, nicht mit Beispielwerten. Eine kleine, belegbare Ersparnis überzeugt eine Geschäftsleitung länger als eine grosse, die niemand halten kann. Was die Analyse verlässlich liefert, ist die Rangfolge der Fälle und ihrer Blocker, nicht der exakte Franken pro Jahr. Wie sich Wirkung später sauber messen lässt, statt sie am Anfang zu behaupten, beschreibt der Eintrag KI-Wirkungsmessung.

Nachteil 2: Die Meinungsumfrage-Falle

Der folgenschwerste konzeptionelle Fehler ist, eine KI-Potenzialanalyse als Meinungsumfrage zu bauen. Eine Frage wie „Wo sehen Sie Potenzial für KI?” lädt zum Spekulieren ein und erntet Allgemeinplätze, aus denen sich kein Anwendungsfall bauen lässt. Am Ende steht ein Balkendiagramm, das eine hohe Zustimmung zu KI zeigt, und niemand weiss, was am Montag anders werden soll.

Eine Analyse, die nach der Haltung fragt, produziert grüne Balken und keine Entscheidung. Sie misst, ob Mitarbeitende KI gut finden, nicht, was sie heute wirklich tun und was ihnen fehlt. Der Unterschied ist nicht kosmetisch, er entscheidet über den Wert des ganzen Ergebnisses. Wer nur die Haltung misst, feiert Akzeptanz, während sich im Alltag nichts bewegt.

Verstärkt wird die Falle durch zwei verwandte Fehler. Der eine sind ankernde Klammer-Beispiele: „Welche Aufgaben, zum Beispiel Protokolle, Reporting, Recherche?” sperrt die Antworten auf genau diese drei Felder ein und unterdrückt die Nennung, die neu und wertvoll gewesen wäre. Der andere ist die Reihenfolge: Wer zuerst eine KI-Skala ankreuzt, denkt ab da in KI-Kategorien, und der anschliessende Freitext rationalisiert nur noch den vorher gesetzten Wert.

Der Ausweg ist ein anderer Bauplan. Die Analyse fragt episodisch nach einer konkreten Situation: „Welche Aufgabe hat letzte Woche mehr Zeit gekostet, als sie eigentlich wert war?” liefert eine überprüfbare Episode, aus der sich ein Anwendungsfall ableiten lässt. Und die entdeckende offene Frage steht vor jeder Skala und vor der ersten Erwähnung von KI. Der Bauplan ist kein Beiwerk, er entscheidet über den Wert des Ergebnisses.

Nachteil 3: Bereitschaft ist nicht Einsatz

Der wohl wichtigste Befund einer KI-Potenzialanalyse ist zugleich ihre grösste Verwechslungsgefahr. In den meisten Organisationen ist die Bereitschaft, mit KI zu arbeiten, deutlich grösser als der tatsächliche Einsatz. Menschen halten KI für nützlich, setzen sie aber selten ein. Wer die gemessene Offenheit für gehobenes Potenzial hält, liest das Ergebnis falsch herum.

Eine hohe gemessene Bereitschaft ist ein Versprechen, kein Ergebnis. Sie wird erst eingelöst, wenn die blockierende Voraussetzung wegfällt, und diese Voraussetzung ist selten die Kompetenz. Was in den Antworten am häufigsten fehlt, ist die Erlaubnis, das passende Werkzeug und ein konkreter erster Fall, an dem man es ausprobieren darf. Ein Potenzial, das an einer fehlenden Freigabe oder einem gesperrten Werkzeug hängt, ist kein Trainingsproblem, sondern ein Entscheidungsproblem, und eine Schulung löst es nie.

Genau deshalb ist der einzelne Reifegrad-Wert für die ganze Organisation so wenig hilfreich. Er verdeckt, dass sich hinter derselben Zahl gegensätzliche Lagen verbergen: die einen wollen und dürfen nicht, die anderen dürfen und wollen nicht. Greifbar wird das Potenzial erst, wenn pro Bereich steht, wie sich die vier Nutzerprofile verteilen, die eine Analyse sichtbar macht: Gebremste Willige, Stille Nutzer, Abwartende und Souveräne.

Der Ausweg ist, die Lücke zwischen Bereitschaft und Einsatz ausdrücklich auszuweisen und je gefundenem Use-Case den Blocker mitzuliefern, der ihn heute verhindert. Erst diese Verteilung übersetzt sich in eine Massnahme, und der Weg von dort zur Umsetzung führt über ein sauberes Massnahmentracking, sonst versandet auch der beste Fahrplan.

Nachteil 4: Der Selbstauskunft-Bias

Eine KI-Potenzialanalyse beruht auf Selbstauskunft, und Selbstauskunft hat eine Schlagseite. Menschen über- oder unterschätzen ihre eigene Zeitersparnis und ihren eigenen KI-Einsatz, und beides verzerrt das Ergebnis in eine Richtung, die man nicht vorher kennt. Wer die genannten Stunden für gemessene Stunden hält, baut einen Fahrplan auf Schätzwerten und nennt sie Fakten.

Dazu kommt ein sozialer Bias. Sensible Fragen werden maskiert beantwortet: Die Frage nach der Angst um den eigenen Arbeitsplatz, frontal gestellt, bekommt die Antwort, von der die Person glaubt, dass sie erwartet wird. Und die Schatten-Nutzung über private Zugänge kommt nur zur Sprache, wenn die Antwort sanktionsfrei ist. Ohne echte Anonymität fehlt damit gerade das ehrlichste Bild des Ist-Zustands.

Der Ausweg ist zweifach. Erstens gehört die Befragung für harte Zahlen mit objektiven Daten trianguliert und nicht allein als Beweis genommen; sie ist stark darin, die richtigen Fälle und Blocker zu finden, nicht darin, exakte Ersparnisse zu belegen. Zweitens braucht die Auswertung pro Einheit eine Mindestzahl an Antworten, damit einzelne Personen nicht erkennbar werden; wo eine Einheit zu klein ist, wird eine Ebene höher aggregiert. Wie eine kurze, wiederkehrende Erhebung das Bild über die Zeit stabilisiert, zeigt die Pulsbefragung.

Nachteil 5: Das Wort KI bremst

Ein Nachteil, der selten genannt wird und trotzdem oft über die Beteiligung entscheidet: In manchen Organisationen löst schon der Begriff KI Abwehr aus, etwa aus Sorge um den eigenen Arbeitsplatz. Eine Analyse, die zu offensiv mit KI wirbt, senkt die Beteiligung und die Ehrlichkeit der Antworten, und beides zusammen macht das Ergebnis dünner, als es sein müsste.

Die Label-Aversion ist kein Argument gegen die Analyse, sondern gegen ihre Verpackung. Wer eine Belegschaft mit „KI-Reifegrad-Erhebung” anspricht, bekommt vorsichtige Antworten. Wer nach der Aufgabe fragt, die letzte Woche zu viel Zeit gekostet hat, bekommt eine ehrliche Schilderung, und die enthält das Potenzial ohnehin.

Der Ausweg: oft ist es klüger, nach der Aufgabe und der gesparten Zeit zu fragen als nach der Meinung zur KI. Sensibles wird nie frontal gestellt, sondern über eine offene Blocker-Frage erschlossen, bei der dieselbe Sorge von selbst hochkommt. Und Anonymität ist hier kein Formalismus, sondern die Bedingung dafür, dass die unbequemen, aber wichtigsten Antworten überhaupt auftauchen.

Vor- und Nachteile im Überblick

Vorteil	Der Nachteil daneben
Findet reale Use-Cases dort, wo die Arbeit passiert	nur, wenn episodisch statt meinungsbasiert gefragt wird (Nachteil 2)
Macht die Lücke zwischen Bereitschaft und Einsatz sichtbar	die Lücke wird leicht als gehobenes Potenzial fehlgelesen (Nachteil 3)
Liefert eine priorisierte Rangliste mit Blockern	die Ersparnis-Zahlen sind Annahmen, kein Messwert (Nachteil 1)
Erfasst die ehrliche Schatten-Nutzung	nur bei echter Anonymität und Selbstauskunft mit Schlagseite (Nachteil 4)
Holt die Menschen ab, die die Arbeit tun	das Wort KI kann die Beteiligung senken (Nachteil 5)

Die vollständige Definition, den Ablauf und die vier Nutzerprofile behandelt der Haupteintrag KI-Potenzialanalyse. Kurz gesagt: Jeder Vorteil hat eine Bedingung, unter der er zum Nachteil wird. Eine KI-Potenzialanalyse ist kein gutes oder schlechtes Instrument, sondern ein bedingt gutes, und die Bedingung ist fast immer der Bauplan.

Wie sich die Nachteile entschärfen lassen

Fast jeder Nachteil hat einen Ausweg, und die meisten liegen im Bauplan der Befragung, nicht in ihrer Auswertung:

1. Episodisch fragen, nicht meinungsbasiert. Nach der konkreten Aufgabe der letzten Woche, nicht nach der Haltung zu KI. Das löst Nachteil 2.
2. Haltung, Verhalten und Befähigung trennen. Nur so wird die Lücke zwischen Bereitschaft und Einsatz sichtbar, statt in einem Zustimmungswert zu verschwinden. Das entschärft Nachteil 3.
3. Jede Hochrechnung als Annahme beschriften. Mit genanntem Ausgangswert, mit eigenen erhobenen Stunden, nie mit Muster-Summen als Beweis. Das löst Nachteil 1.
4. Objektiv triangulieren und anonym auswerten. Harte Zahlen gegen objektive Daten prüfen, pro Einheit eine Mindestzahl an Antworten sichern. Das entschärft Nachteil 4.
5. Auf das Label verzichten, wo es bremst. Nach der Aufgabe und der gesparten Zeit fragen, Sensibles nie frontal stellen. Das löst Nachteil 5.

Fazit

Eine KI-Potenzialanalyse ist kein schlechtes Instrument, aber ein anspruchsvolles. Vier ihrer fünf Nachteile entscheiden sich vor der Erhebung, im Bauplan: episodisch statt meinungsbasiert fragen, Haltung von Verhalten und Befähigung trennen, jede Zahl ehrlich beschriften, das Label dort weglassen, wo es bremst. Der fünfte entscheidet sich in der Lesart des Ergebnisses: Wer Bereitschaft mit Einsatz verwechselt, hebt kein Potenzial, sondern verwaltet ein Versprechen. Eine ehrliche, kleine, belegbare Aussage trägt weiter als eine grosse, die im ersten Nachhaken zerbricht.

Genau an diesem Punkt setzt Moodtalk an: nicht bei einer weiteren Reifegrad-Skala, sondern bei der konkreten Aufgabe und der verlorenen Zeit. Eine kurze, dialogbasierte Befragung fragt episodisch, hakt bei knappen Antworten nach und verdichtet die offenen Antworten zum Warum, statt nur eine Skala zu rechnen. Daraus werden die vier Nutzerprofile, ein priorisierter Fahrplan an Use-Cases und der Hebel, der jeden freischaltet, sicher gehostet in der Schweiz. Wenn Sie wissen wollen, wo in Ihrer Organisation KI wirklich Arbeit abnimmt, sehen Sie sich Moodtalk an.

Verwandte Inhalte

• KI-Potenzialanalyse: Beispiele und Musterfragen
• Massnahmen ableiten nach der Mitarbeiterbefragung
• Anwendungsfall Mitarbeitendenbefragung
• Kundengeschichten
• Im Lexikon: KI-Potenzialanalyse (Haupteintrag)
• Im Lexikon: KI-Wirkungsmessung
• Im Lexikon: Massnahmentracking
• Im Lexikon: Mitarbeitendenbefragung
• Im Lexikon: Pulsbefragung